Portal de Periódicos da CAPES

Criblage à grande échelle du Système national des données de santé par des algorithmes de « machine learning » afin d'identifier des médicaments protecteurs pour la maladie de Parkinson

2022; Elsevier BV; Volume: 70; Linguagem: Francês

10.1016/j.respe.2022.01.075

1773-0627

E. Courtois, Thi Thu Ha Nguyen, Alice Fournier, Sylvie Escolano, Pascale Tubert‐Bitter, Alexis Elbaz, A. Thibaut, Ismaïl Ahmed,

Parkinson's Disease Mechanisms and Treatments

La maladie de Parkinson (MP) est celle dont la prévalence augmente le plus rapidement parmi les maladies neurologiques alors que les traitements disponibles ne sont que partiellement ou transitoirement efficaces. Une stratégie prometteuse consiste à identifier des molécules existantes pouvant présenter un avantage thérapeutique voire préventif pour la MP (repositionnement de médicaments). Notre objectif était de détecter des associations potentiellement protectrices entre médicaments commercialisés et MP, grâce à une stratégie de criblage automatisée à grande échelle. Un échantillon composé de 40 760 cas incidents de MP survenus entre janvier 2016 et décembre 2018 identifiés par un algorithme validé et de 176 395 témoins appariés (âge, sexe, département) a été constitué à partir du Système national des données de santé (SNDS), leur historique de consommation de soins remontant à janvier 2006. Un algorithme de « machine learning » combinant sous-échantillonnage et régression lasso a été implémenté. L'exposition aux médicaments a été définie par la fréquence de remboursements sur une période de deux ans commençant 10 ans avant la date de MP pour tenir compte de la période prodromale de la MP. Une analyse de sensibilité a été menée avec une période d'exposition de cinq ans. Les modèles ont été ajustés sur des facteurs de confusion disponibles dans le SNDS. Parmi les 374 sous-groupes de médicaments criblés, 6 ont été identifiés. Les sulfamides non associés étaient le signal le plus robuste. Les autres signaux comprenaient les adrénergiques associés aux anticholinergiques et les insulines et analogues. Les médicaments utilisés pour traiter la dépendance à la nicotine ressortaient également, probablement en tant qu'indicateur du statut tabagique qui est associé à un risque diminué de MP. Nos résultats illustrent l'intérêt des algorithmes de « machine learning » de détection de signaux pour identifier des médicaments inversement associés au risque des maladies dans les bases de données médico-administratives. Les signaux identifiés dans ce travail doivent maintenant être étudiés plus finement et avec d'autres sources de données pour confirmer leur intérêt potentiel.